「工程基准」共找到 1647 篇相关文章
OCR-Reasoning：揭秘多模态大模型在复杂图文推理中的真实能力
主流OCR评测基准聚焦信息抽取任务，而图文推理任务缺乏系统性评估标准。OCR - Reasoning可系统性评估多模态大模型深度推理能力，还给出多种推理示例，并展示了测评Qwen2.5 - VL - 7B模型的代码。
半年复盘，AI迎来预训练后的新瓶颈。
2025年上半年AI领域发展加速，编码和多模态能力提升。但模型在综合能力上遇到第二轮瓶颈，编码能力强时通用认知能力‘拉胯’，或与RL阶段使用编程数据有关，红杉新基准或推动模型均衡发展。
绝对零监督Absolute Zero：类AlphaZero自博弈赋能大模型推理，全新零数据训练范式问世
清华大学 LeapLab 团队等提出全新推理训练范式 Absolute Zero，使大模型实现「自我进化式学习」。基于此范式训练的模型 AZR，在代码生成与数学推理基准任务表现出色，缓解了大模型对人工数据依赖难题。
禁令解封！拆自家电视被封号，11 天后OpenAI低头道歉，Anthropic不听
安全研究员因用 ChatGPT 辅助逆向自家电视被封号并扣除 500 美元，OpenAI 在 11 天后发邮件致歉并恢复账号，官方表示模型从未禁止逆向工程。
刚刚，豆包「成精」了！一夜告别机械感，上亿人手机全量上线
字节跳动Seed团队发布原生全双工语音大模型Seeduplex，已在豆包App全量上线。它边听边说、懂思考停顿、抗干扰强，解决了精准抗干扰与动态判停难题，工程上也有突破，提升了交互体验。
OpenDev：破解AI编程指令衰减难题
当下AI编程工具竞争激烈，大多存在闭源或绑定单一模型的问题。OpenDev是开源的终端AI编程Agent，用Rust编写，仅3.7MB。其论文详细解释设计决策，给出指令衰减问题的工程解法，还有多种实用设计。
机器人伸手时，杯子被挪走了：LIBERO-MAX用22.4万次仿真检验动态可靠性
本文介绍了斯坦福等多校研究者提出的机器人评测基准LIBERO-MAX，针对机器人执行任务中途环境变化的痛点，设计配对测试方案，经大规模仿真评测现有模型性能，为机器人动态鲁棒性改进提供标准化测试平台。
AI时代的天工开物：分子之心掀起生物经济“操作系统”革命 | 甲子光年
生物经济正迈向工程化时代，分子之心作为AI蛋白质设计领军企业，携核心产品MoleculeOS入驻礼来上海创新孵化器。该平台升级后能力强大，还在构建生物经济‘新基建’，解决产业难题。
Jina Reranker v3: 全新“列式”重排器，0.6B参数刷新文档检索SOTA
Jina AI推出第三代重排器Jina Reranker v3，在多语言检索基准上刷新SOTA。它参数仅6亿，有“last but not late”交互机制，能一次性处理查询和文档。还提供动态量化格式，方便不同硬件部署。
deepseek-V4算法工程技术深入浅出
文章围绕deepseek V4技术报告展开，指出当前大模型训练不充分，介绍了算法层面如混合注意力机制、模型结构优化、优化器等，工程层面如细粒度专家并行、算子内核开发等，以及后训练的范式转变和领域专家网络蒸馏等内容。